兰大-2022级-邹名扬 发布的最佳帖子

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第一周的第一篇顶刊分享[嘿哈][嘿哈][嘿哈]

【Ai医学 顶刊速递】

来源: radiology IF=15.2

【文章标题】通过基础分割模型和多模态分析进行基于 MRI 的卵巢病变分类：一项多中心研究

【材料和方法】：在这项回顾性研究中，分析了来自一家主要机构（2008 年 1 月至 2019 年 1 月）和两家外部机构（2010 年 1 月至 2020 年 10 月）的卵巢病变患者的多参数 MRI 数据集。使用 Meta 的 Segment Anything Model （SAM） 自动分割病变。然后对结合成像和临床数据的 DenseNet-121 深度学习 （DL） 模型进行外部训练和验证，用于卵巢病变分类。放射科医生使用卵巢附件报告和数据系统进行 MRI 和主观评估对病变进行评估，将其分类为良性或恶性。使用 DeLong 检验比较 DL 模型和放射科医生的分类性能。

【结果】：主要数据集包括来自机构 A（美国）的 448 名女性（平均年龄，52 岁± 15 岁 [SD]）的 534 个病灶，而外部数据集包括来自机构 B（美国）的 55 名女性（平均年龄，51 岁± 19 岁）的 58 个病灶和来自机构 C（台湾）的 29 名女性（平均年龄，49 岁± 10 岁）的 29 个病灶。SAM 辅助分割的 Dice 系数为 0.86–0.88，与手动分割相比，每个病灶的处理时间减少了 4 分钟。DL 分类模型在内部测试中实现了受试者工作特征曲线下面积（AUC）为 0.85（95%CI：0.85,0.85），在两个具有 SAM 分割图像的外部数据集中实现了 0.79（95%CI：0.79、0.79 和 0.78、0.79），与放射科医生的表现相当（AUC：0.84–0.93;所有 P > .05）。

【结论】：这些结果描述了一个准确、高效的管道，该管道将 SAM 与基于 DL 的分类相结合，用于在 MRI 扫描中区分卵巢恶性和良性病变。它减少了分割时间，并实现了与放射科医生相当的分类性能。

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第一周的第二篇顶刊分享

【Ai医学 顶刊速递】

【文章标题】：人工智能乳房 X 光检查筛查试验 （MASAI） 中检测到的乳腺癌的筛查性能和特征：一项随机、对照、平行组、非劣效性、单盲、筛查准确性研究

来源: The Lancet Digital Health IF=24.1

【文章背景】：新出现的证据表明，人工智能 （AI） 可以提高乳房 X 光检查中的癌症检测率，同时减少屏幕读取工作量，但需要进一步了解临床影响。

【文章方法】：在瑞典国家筛查计划内进行的这项随机、对照、平行组、非劣效性、单盲、筛查准确性研究中，在瑞典西南部的四个筛查地点（马尔默、隆德、兰斯克鲁纳和特雷勒堡）招募的符合乳房 X 光检查筛查条件的女性被随机分配 （1：1） 到 AI 支持的筛查或标准双读。AI 系统（Transpara 版本 1.7.0 ScreenPoint Medical，奈梅亨，荷兰）用于将筛查检查分类为单读数或双读数，并作为检测支持突出显示可疑结果。这是对召回率、癌症检测、假阳性率、召回阳性预测值、检测到的癌症类型和阶段以及屏幕读取工作量的次要结果测量的协议定义的分析。此试用版的注册日期为 ClinicalTrials.gov， NCT04838756，并且不开放累积。

【文章结果】：在 2021 年 4 月 12 日至 2022 年 12 月 7 日期间，105 934 名女性被随机分配到干预组或对照组。19 名女性被排除在分析之外。中位年龄为 53·7 岁 （IQR 46·5–63·2）。对 53 043 名参与者进行 AI 支持的筛查，发现 338 例癌症和 1110 例召回。对 52 872 名参与者进行标准筛查，发现 262 例癌症和 1027 例召回。干预组癌症检出率为每 1000 名筛查参与者 6·4 （95% CI 5·7-7·1），对照组每 1000 名参与者 5·0 （4·4-5·6），比率为 1·29（95% CI 1·09-1·51;p=0·0021）。AI 支持的筛查导致浸润性癌的检出率增加 （270 vs 217，比例比为 1·24 [95% CI 1·04–1·48]），主要是小淋巴结阴性癌症 （T1 增加 58 例，淋巴结阴性 46 例，非管腔 A 增加 21 例）。AI 支持的筛查还导致原位癌的检出率增加（68 vs 45，比例比为 1·51 [1·03–2·19]），其中约一半的增加检出率是高级别原位癌（核 III 级增加 12 例，核 I 级没有增加）。干预组的召回率和假阳性率没有显著升高（比率分别为 1·08 [95% CI 0·99–1·17;p=0·084] 和 1·01 [0·91–1·11;p=0·92]）。与对照组相比，干预组的召回率阳性预测值显著升高，比率为 1·19 （95% CI 1·04–1·37;p=0·012）。干预组有 61 248 次屏幕阅读，对照组有 109 692 次，导致屏幕阅读工作量减少了 44·2%。

【文章分析】：研究结果表明，AI 有助于临床相关乳腺癌的早期检测，并在不增加假阳性的情况下减少屏幕读取工作量。